[发明专利]使用卷积傅里叶网络分析多变量时间序列的系统、方法和计算机程序产品

权利要求书

1.一种系统，包括：

至少一个处理器，其被编程或配置成：

接收历史数据点的时间序列，其中所述历史数据点包括关于初始时间段期间的多个时间间隔的多个交易特征的值；

确定历史时间段，其中所述历史时间段包括所述初始时间段的第一时间段；

确定当代时间段，其中所述当代时间段包括所述初始时间段的在所述历史时间段之后的第二时间段，其中所述历史时间段比所述当代时间段更长；

从所述历史时间段确定与历史交易度量相关联的数据点的第一时间序列；

从所述历史时间段确定与历史目标交易度量相关联的数据点的第二时间序列；

从所述当代时间段确定与当代交易度量相关联的数据点的第三时间序列；

生成机器学习模型，其中所述机器学习模型被配置成提供包括与当代目标交易度量相关联的数据点的预测时间序列的输出，其中当生成所述机器学习模型时，所述至少一个处理器被编程或配置成：

基于与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列训练所述机器学习模型；以及

生成所述机器学习模型的输出，其中所述机器学习模型的所述输出包括所述当代目标交易度量，并且其中所述当代目标交易度量包括目标预测周期期间的目标交易度量的值。

2.根据权利要求1所述的系统，其中当训练所述机器学习模型时，所述至少一个处理器被编程或配置成：

提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列，作为对所述机器学习模型的处理层的输入，其中所述处理层包括快速傅里叶变换(FFT)层；

提供所述处理层的输出，作为对所述机器学习模型的特征提取组件的输入；

提供所述机器学习模型的所述特征提取组件的输出，作为对所述机器学习模型的双重注意力组件的输入；以及

提供所述机器学习模型的所述双重注意力组件的输出，作为对所述机器学习模型的学习和预测组件的输入。

3.根据权利要求2所述的系统，其中当提供与所述历史交易度量相关联的所述数据点的第一时间序列、与所述历史目标交易度量相关联的所述数据点的第二时间序列，以及与所述当代交易度量相关联的所述数据点的第三时间序列，作为对所述机器学习模型的所述处理层的输入时，所述至少一个处理器被编程或配置成：

提供与所述历史交易度量相关联的所述数据点的第一时间序列的第一多个特征中的每个特征作为对所述FFT层的输入，以生成所述第一多个特征中的每个特征的实部分和虚部分；

提供与所述历史目标交易度量相关联的所述数据点的第二时间序列的第二多个特征中的每个特征作为对所述FFT层的输入，以生成所述第二多个特征中的每个特征的实部分和虚部分；以及

提供与所述当代交易度量相关联的所述数据点的第三时间序列的第三多个特征中的每个特征作为对所述FFT层的输入，以生成所述第三多个特征中的每个特征的实部分和虚部分。

4.根据权利要求3所述的系统，其中当训练所述机器学习模型时，所述至少一个处理器被编程或配置成：

组合所述第一多个特征中的每个特征的所述实部分以生成所述第一多个特征的组合实部分；

组合所述第一多个特征中的每个特征的所述虚部分以生成所述第一多个特征的组合虚部分；

组合所述第二多个特征中的每个特征的所述实部分以生成所述第二多个特征的组合实部分；

组合所述第二多个特征中的每个特征的所述虚部分以生成所述第二多个特征的组合虚部分；

组合所述第三多个特征中的每个特征的所述实部分以生成所述第三多个特征的组合实部分；以及

组合所述第三多个特征中的每个特征的所述虚部分以生成所述第三多个特征的组合虚部分；并且

其中所述机器学习模型的所述处理层的所述输出包括所述第一多个特征的所述组合实部分、所述第一多个特征的所述组合虚部分、所述第二多个特征的所述组合实部分、所述第二多个特征的所述组合虚部分、所述第三多个特征的所述组合实部分，以及所述第三多个特征的所述组合虚部分。